À l’occasion du lancement du tout nouveau Online MSc in Data Management & Business Analytics de l’EDHEC, nous avons décidé d’aller à la rencontre de Tristan-Pierre Maury, Directeur Académique de ce programme et professeur d’économie à l’EDHEC.
Une rencontre qui a aussi été l’occasion de faire le point sur la notion de big data et son usage aujourd’hui en entreprise.
Quel est votre parcours professionnel, et quels ponts tracez-vous aujourd’hui entre économie et big data ?
TPM : Je suis professeur à l’EDHEC depuis maintenant 13 ans. Avant cela, j’enseignais à l’ESSEC, et j’ai également travaillé à la Banque de France. À l’EDHEC, j’enseigne principalement des cours traitant des sujets de l’économie et de la data.
J’interviens aussi sur des cours d’économie à l’EDHEC en pré-Master, dans le cadre du global MBA sur les campus niçois et parisien de l’EDHEC en data analysis. Je donne également cours dans le cadre du MSc International Business, qui traite d’économie appliquée au business.
Les disciplines de la data et de l’économie convergent de plus en plus l’une vers l’autre, et parfois même se chevauchent – il y a un véritable enjeu pour les générations futures d’apprendre à tirer profit de la première pour enrichir la seconde.
Quelle est la différence entre big data et business intelligence ?
TPM : Le big data est aujourd’hui un mot un peu fourre-tout, qui reste généralement un peu obscur dans l’inconscient collectif ! Je pense qu’il est important de savoir faire la part des choses entre toutes les grandes notions connexes à la data aujourd’hui : big data, data analysis, business intelligence et machine learning.
Le big data, pour commencer, se rapporte à des volumes données de taille très conséquente, généralement récoltées en flux continu. Et comme elles deviennent très volumineuses, il existe des techniques pour les traiter et les interpréter – c’est le domaine du big data.
La data analysis, elle, se réfère à l’utilisation la plus efficace possible des données numériques. Cette discipline, qui consiste à faire sens des masses de données, est utilisée partout, dans des champs d’activité très différents.
Ensuite arrive la notion de machine learning – elle reste dans le champ de la data analysis. Le machine learning consiste à entraîner l’algorithme en charge du traitement des gros volumes de données récoltées, pour affiner ses prédictions et son interprétation de la data. Par exemple, si les équipes commerciales d’une entreprise veulent faire des prédictions à partir d’informations réalisées dans le passé, le machine learning consiste à faire ingérer ces données à l’algorithme. Une fois les données correctement intégrées et le modèle initial construit, l’algorithme va être graduellement entraîné, nourri par de la data en permanence, pour affiner son propre modèle de manière intelligente, et être de plus en plus pertinent dans ses prédictions.
Et enfin, la business intelligence, qui est à mon sens le terme le plus vague de l’ensemble de ces notions, mais qui reste important à comprendre. Une fois que les modèles d’algorithmes permettant d’interpréter et de traiter les données ont été mis en place, arrive le moment des résultats. La business intelligence complète le processus d’interprétation du big data : elle consiste à transformer les données en un modèle clair et lisible pour la prise de décision. Cette discipline est sollicitée après le traitement lourd de la donnée. On peut la voir comme une “couche finale” de traitement de l’information, qui s’appuie notamment sur la visualisation et la simplification des données complexes. Le tout, dans l’optique d’aider les décideurs en entreprise à faire des choix économiques et stratégiques éclairés.
Comment ces notions sont-elles aujourd’hui appliquées en entreprise ?
TPM : De nombreuses entreprises sont aujourd’hui assises sur un trésor d’informations, elles bénéficient de ressources, de quantités de données et d’informations phénoménales. Et pourtant, de nombreux secteurs sont encore à la traîne en ce qui concerne l’intégration de la data analyse dans leurs stratégies.
Certains secteurs sont ceci dit bien plus avancés que d’autres. Je pense notamment à la discipline du Marketing, véritable secteur pionnier dans l’usage de la data. Beaucoup de départements Marketing prennent des décisions fondées sur des informations quantifiées, numériques issues de leurs bases de données d’utilisateurs. Une manière intelligente de créer un discours et des actions de vente adaptées aux comportements et aux attentes de leurs potentiels clients !
Cependant, il existe encore un large nombre de secteurs en cours de mutation :
- La finance, notamment de marché, qui commence doucement à utiliser le traitement de données systématisées via le machine learning, que les traders commencent à s’approprier ;
- Les Ressources Humaines, notamment en France où on est un peu en retard dans le domaine de la numérisation de la gestion des talents. Aux États-Unis par exemple, on commence à essayer d’anticiper grâce au big data les besoins des entreprises en termes de capital humain, la probabilité de churn* dans une entreprise…
Par ailleurs, il faut aussi savoir que toutes les entreprises ne sont pas toutes égales devant le sujet ! Dans certaines industries, la donnée est privée, dans d’autres, elle est rare… Par exemple, dans le secteur de la défense, tout est cloisonné donc la constitution de panels de données riches et variés est difficile !
Par ailleurs, les jeunes entreprises sont aussi celles qui connaissent généralement le plus de difficultés. Les anciennes ont accès à leur historique de données et peuvent le traiter, en tirer directement partie. Tandis que lorsque l’on arrive sur un marché, l’accès aux données est généralement plus difficile (il est conditionné à la capacité de payer des entreprises qui fournissent ce genre de données et de services, or les jeunes entreprises manquent souvent de moyens !)
Ainsi, l’âge et la maturité jouent un rôle significatif pour les entreprises dans l’exploitation efficace de la data. Les plus jeunes doivent apprendre à aller chercher des financements pour accéder à la donnée, afin de développer un avantage concurrentiel.
Quelles perspectives professionnelles la data offre-t-elle ?
TPM : Il existe de nombreux métiers dans la data, et de nouveaux vont certainement encore émerger ! Dans le cadre du MSc in Data Management & Business Analytics, les deux grands rôles auxquels nous préparons nos étudiants sont celui de Data Scientist et de Manager.
- Le Data Scientist, pour commencer, est le collaborateur responsable de construire les modèles de traitement des données récoltées, ainsi que d’alimenter le processus de décision de son organisation. C’est à mon sens l’un des grands métiers d’avenir dans le cadre de la digitalisation des entreprises.
- Les Managers, ensuite – le MSc ne prépare pas au management au sens large du terme, mais il permet aux Managers qui ne sont pas spécialement formés à la donnée de comprendre ce que font les opérationnels dans leurs équipes. Le Master a ainsi ce rôle de remettre chacun au même niveau de compréhension et de langage, en donnant des éléments de compréhension précis à tous les étudiants.
Les métiers de la data, une filière d’avenir
La formation lancée par EDHEC Online a lieu entièrement en ligne, et se veut orientée sur la pratique business, sur les cas d’usage. Ce Master of Science, à la fois généraliste et exhaustif, s’attardera sur l’ensemble des aspects, des traitements possibles de la data.
Proposant une partie de cours communs et obligatoires, le diplôme comporte aussi des électifs, des filières que les étudiants sont libres de choisir en fonction de leurs affinités :
- une filière spécialisée en business management (incluant des notions de marketing, ressources humaines, de supply chain, …)
- une filière spécialisée en finance
Pour postuler, n’hésitez pas à consulter directement la page dédiée au programme !
*churn : Le terme anglais churn est utilisé pour désigner la perte de clients ou d’abonnés. Dans le cadre des Ressources Humaines, il désigne le volume de départs d’employés dans une entreprise.
